Search | Engineering

订阅投稿

首页工程期刊工程焦点工程成就工程前沿关于我们 English

资源类型

期刊论文 3

年份

2022 1

2021 1

2017 1

关键词

β-内酰胺/β-内酰胺酶抑制剂 1

头孢他啶-阿维巴坦 1

恶意代码分类；机器学习；n-gram；灰度图；特征提取；恶意代码检测 1

碳青霉烯耐药性 1

耐药机制 1

问答网站；标注；自然顺序；Skip gram 1

展开︾

检索范围：

排序：展示方式：

特定领域问答网站中的标签自然顺序研究

贾俊芳1,李国强2

《信息与电子工程前沿（英文）》 2021年第22卷第2期页码 141-286 doi: 10.1631/FITEE.1900645

摘要：标注是Web 2.0的一个重要特征。它使得社会计算系统（如问答网站）的用户们可以自由地标记内容。然而，标注真的是自由不受限的吗？现有工作表明，用户们常常可以隐性地就哪种标签最能描述在线社区的内容达成共识。然而，目前还没有针对用户在标注过程中对标签排序的规律性开展研究。本文专注于研究特定领域问答网站中的标签自然排序，并对CodeProject，SegmentFault，Biostars以及CareerCup 4个问答网站上数以百万计的问题中的标签序列进行研究。结果表明，这些问答网站的用户可以就问题标签的排序达成隐性共识。研究了标签之间的关系，这些关系可以解释标签自然顺序的出现。该研究为利用标签的自然顺序提升现有标签推荐以及问答站点导航提供了可能。

关键词：问答网站；标注；自然顺序；Skip gram

HTML PDF 收藏

基于机器学习的自动化恶意代码分类与新恶意代码检测技术 Article

Liu LIU, Bao-sheng WANG, Bo YU, Qiu-xi ZHONG

《信息与电子工程前沿（英文）》 2017年第18卷第9期页码 1336-1347 doi: 10.1631/FITEE.1601325

摘要：恶意软件的爆炸式增长对信息安全构成重大威胁。基于签名机制的传统反病毒系统无法将未知的恶意软件分类到相应的恶意家族和检测新的恶意软件。因此，我们提出一种基于机器学习的恶意软件分析系统，由数据处理系统，决策系统和新的恶意软件检测系统三个子系统组成。数据处理系统包含灰度图像的纹理特征，Opcode特征和API特征等三种特征提取方法。决策系统被用来分类恶意软件和证实可疑的恶意软件。最后，检测系统使用共享近邻聚类算法（shared nearest neighbor, SNN）来发现新的恶意软件。我们在Kingsoft,，ESET NOD32和Anubis收集的二万多恶意样本集上对所提出的方法进行了评估。结果表明，我们的系统可以有效地分类未知恶意软件，准确率可达98.9％。同时新恶意软件的成功检测率为86.7％。

关键词：恶意代码分类；机器学习；n-gram；灰度图；特征提取；恶意代码检测

HTML PDF 收藏

头孢他啶-阿维巴坦耐药革兰氏阴性菌的流行病学特征及耐药机制 Review

徐婷婷, 郭育奇, 姬扬, 王保红, 周凯

《工程（英文）》 2022年第11卷第4期页码 138-145 doi: 10.1016/j.eng.2020.11.004

摘要：

细菌的碳青霉烯耐药性是全球公共健康面临的一个重大挑战，由碳青霉烯耐药菌（CRO）引起的临床感染通常有很高的发病率和死亡率。头孢他啶-阿维巴坦（CAZ-AVI）是一种新型头孢菌素/β-内酰胺酶抑制剂，为临床治疗CRO感染提供了一项重要选择。据报道，CAZ-AVI 能够抑制Ambler A类、C类以及部分D类酶的活性。然而，这种药物在临床使用后不久，细菌的耐药性就已经出现，并且呈上升趋势。了解细菌对CAZ-AVI 的耐药机制，对于指导开发新型治疗方法、帮助预测潜在的耐药机制至关重要。本文旨在系统总结CAZ-AVI 耐药菌株的流行病学发展过程和最近发现的CAZ-AVI 耐药机制；将重点关注β-内酰胺酶突变体的产生、β-内酰胺酶高表达、细胞表面通透性降低以及药物外排泵的过表达。短时间内多种CAZ-AVI耐药机制的产生，强调了临床合理用药的重要性以及监测CAZ-AVI 耐药性病原体的必要性。

关键词：头孢他啶-阿维巴坦耐药机制碳青霉烯耐药性 β-内酰胺/β-内酰胺酶抑制剂